基于联邦学习的毫米波大规模MIMO的混合波束赋形和资源分配

针对大规模毫米波(millimeter wave,mm-Wave)多输入多输出(multiple input multiple output,MIMO)系统中的混合波束赋形在中心式机器学习(centralized machine learning,CML)中导致的通信开销过大问题,提出了分层联邦学习(federated learning,FL)框架下的混合波束赋形与基于合同理论的资源分配优化方法。首先,在分层系统中对多用户计算系统开销,并通过优化分配资源实现系统的效益最大化;然后,用户利用分配的资源对信道数据和相应的预编码数据进行反向传播神经网络(back propagation neural network,BPNN)模型训练,利用边缘服务器(edge server,ES)收集用户训练的权值和参数进行边缘聚合,达到一定精度后上传到云服务器(cloud server,CS)进行云聚合,直到取得最优的模型。实验结果表明,资源优化极大地降低了通信开销,并且基于FL的混合波束赋形不仅取得了和CML类似的和速率,而且其和速率要优于基于正交匹配追踪(orthogonal matching pursuit,OMP)的混合波束赋形以及全数字波束赋形方案。